原文作者： cookies
原文编译：深潮TechFlow
这是我关于加密与 AI 基础设施成熟化如何推动创新应用的观点。
让我们深入探讨，作为用户和建设者，如何在这个新时代中导航。
代理类型
功能性价值代理（Functionally Valuable Agents）
这些代理能够生成实际的价值或成果。
- (1a) DeFAI 代理
- (1b) 预测市场代理（Prediction Market Agents, PMAs）
- (1c) 计算机使用代理（Computer Use Agents, CUAs）
DeFAI 代理
这些代理可以进行交易、收益挖矿（Yield Farming）或提供流动性（LP）。
相关项目： @symphonyio ， @almanac ， @gizatechxyz
你可以在下面的推文中找到关于 DeFAI 的全面介绍： 原推文链接
预测市场代理（PMAs）
这些代理参与预测市场，可以是针对特定市场（例如足球）的代理，也可以是通用代理。
我更倾向于基于小型语言模型（SLM）的市场特定代理，因为它们需要更少的计算资源。
相关项目： @sire_agent ， @BillyBets_ai
DeFAI 和 PMAs 的加密角色
加密技术在其中发挥了以下几个作用：
- 交易媒介
- 可编程执行
- 交易的不可篡改记录
计算机使用代理（CUAs）
这类代理可以控制你的屏幕完成任务，例如使用 Excel 创建折现现金流表。
加密技术可以作为一种激励机制，奖励那些贡献高质量数据以改进这些模型的用户。
相关项目： @chakra_ai ， @getoro_xyz
相关推文链接：点击此处
进化型代理（Evolving Agents）
我设想未来每个人都拥有个性化的生产力代理。
基于从大型语言模型（LLM）对话、社交媒体浏览以及日常对话中获得的上下文信息，这些代理能够以环境模式进行研究和规划。
随着时间推移，这些代理将进化并在某些领域成为专家。 @the_nof1 是一家专注于金融市场的 AI 研究实验室，拥有6个交易代理，每个代理管理着1万美元的交易资金。这些模型有可能进化为熟练的交易员。
相关推文链接：点击此处
伴侣型代理（Companion Agents）
在未来，帮助人们对抗孤独的代理将成为一种常态。随着更多的互动转移到数字世界，人与人之间的接触会逐渐减少 。
相关项目： @Fans3_AI ， @ohdotxyz
代理基础设施
代理支付（Agentic Payment）
能够进行支付的代理。为了让代理商业化成为现实，科技巨头已经创建了代理支付标准：
实现代理支付主流化的核心要素：
- 基础设施：由各种代理支付标准解决。
- 需求：我们真的需要能够进行支付的代理吗？
ChatGPT 最近在其平台上引入了应用程序，使用户可以直接在 ChatGPT 内部构建功能。
这带来了一个范式转变，生产性操作可以直接在 ChatGPT 上完成。
以下内容可以帮助你理解这一点： 相关推文链接
代理身份与声誉（Agent Identity and Reputation）
代理是不可避免的：大多数任务将通过特定任务的代理来执行。
我们如何知道哪些代理是合适和可信的呢？
想象一下为代理设计的 Google Review 或 PageRank 系统，可以对代理在执行特定任务中的表现进行排名并颁发认证。
就像简历一样，一个评分为4.6的交易代理可以被对冲基金“聘用”。
以太坊基金会已经开始构建支持这一功能的基础设施——ERC-8004。
通过 ERC-8004，代理之间可以相互交互，例如从代理 A 向代理 B 转账。
相关推文链接：点击此处
多代理系统（Multi-Agent System）
用 F1 类比：
- 目标：更换轮胎
- 主代理：需要更换轮胎的驾驶员
- 工作代理：负责更换轮胎的机械师
这个概念是由一个协调代理和多个可以并行执行任务的工作代理组成。
最适合运行在 @monad 平台上，该平台以其并行执行功能著称，可能在单个区块（0.4秒）内完成整个工作流程。
社交代理蜂巢网络（Social Agent Hivemesh）
我想象一个每个人都拥有自己的数字孪生的未来。
存在一个基础设施，允许这些数字孪生相互联系、交换知识、进行交易。
数字孪生交互存储在区块链上，从而创建代理社交图谱（Agent Social Graph）。
相关推文链接：点击此处
代理的交互不能完全随机。这就是发现网络（Discovery Networks）如 @indexnetwork_ 通过摄取用户特定上下文来连接用户意图的关键基础设施的原因
机器人
机器人（Robotics） 行业正在快速增长，2025 年 1 月至 7 月期间就获得了 60 亿美元的融资。
本节将分解三个核心支柱，并详细说明区块链的作用。
在深入了解本节之前， 请查看此关于机器人技术的入门指南。
机器人数据（Robotics Data）
与大型语言模型（LLM）相比，用于训练机器人模型的数据量小得多。
这是因为在现实世界中收集数据需要更多的努力和更高的成本（如设置摄像头和远程操作设备）。
各种类型的机器人数据包括：
- 视频
- 远程操作
- 动作捕捉
- 第一视角（POV）
- 模拟/合成数据
物理 AI 数据收集的主要复杂性之一在于对多样性的要求。
一个在特定环境中训练的类人机器人可能无法理解新环境（例如光线较暗的环境）。
加密技术是激励个人贡献现实世界数据的绝佳机制，可以捕捉高度多样化的环境。
相关项目： @PrismaXai 、 @MeckaAI 、 @silencioNetwork 、 @rayvo_xyz 、 @VaderResearch 、 @BitRobotNetwork 、@AukiNetwork
机器人模型（Robotics Model）
@PrimeIntellect 是去中心化模型训练的领先案例。
利用加密技术奖励基于数据来源的贡献，可能建立一个性能优越的机器人模型。
相关项目： @OpenMind 、KineFlow
硬件（Hardware）
机器人技术的关键瓶颈之一是微调机器人模型的延迟。
当研究实验室缺乏必要的硬件（如机械臂、类人机器人等）来测试模型并收集微调数据时，这种问题尤为突出。
可以建立一个 DePIN（去中心化物理基础设施网络）机器人网络，允许个人或研究实验室将机器人硬件出租用于模型测试。
这一金融化层为研究人员打开了硬件获取的通道，同时为硬件提供者创造了稳定的收入来源（租赁收益）。
结论
加密、AI 和机器人技术的未来一片光明。
如果你正在这个领域构建任何有趣的项目，欢迎与我交流，看看是否可以在 @monad 上实现！
完整的观点可以在此找到。
